Uso de redes adversárias generativas em sistemas de interface cérebro-computador

Detalhes bibliográficos
Autor(a) principal: Santos, Lucas Heck dos
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFABC
Texto Completo: http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124283
Resumo: Orientador: Prof. Dr. Denis Gustavo Fantinato
id UFBC_ef7a9d3012ce2f22253ed5c4897fa31c
oai_identifier_str oai:BDTD:124283
network_acronym_str UFBC
network_name_str Repositório Institucional da UFABC
repository_id_str
spelling Uso de redes adversárias generativas em sistemas de interface cérebro-computadorAPRENDIZADO COMPUTACIONALINTERFACE CÉREBRO-COMPUTADORREDES ADVERSÁRIAS GENERATIVASREDES NEURAIS CONVOLUCIONAISBRAIN-COMPUTER INTERFACESCONVOLUTIONAL NEURAL NETWORKSGENERATIVE ADVERSARIAL NETWORKSMACHINE LEARNINGPROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO - UFABCOrientador: Prof. Dr. Denis Gustavo FantinatoDissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Ciência da Computação, Santo André, 2022.Sistemas de Interface Cérebro-Computador (BCI, do inglês Brain-Computer Interface) têm sido foco de atenção devido a suas possíveis aplicações no campo medicinal e de entretenimento. Para estas tarefas, usualmente, é feita a classificação dos sinais ligados à atividade cerebral. Porém esses sinais possuem alta complexidade e estão sujeitos a ruídos, agravados pelo equipamento de medida. Redes de aprendizagem profunda vêm sendo utilizadas recentemente como forma de interpretar os sinais sem necessidade de ajuste manual de parâmetros. Nesse contexto, as Redes Neurais Convolucionais apresentam resultados muito interessantes, tanto em paradigmas de BCI de atenção seletiva quanto de imagética motora, ao superarem em acurácia os métodos tradicionais. No entanto, essas novas soluções têm dificuldades de convergência devido a escassez de dados disponíveis para treinamento. Neste trabalho fazemos o uso da Rede Adversária Generativa (GAN, do inglês Generative Adversarial Network) para produção de sinais artificiais com o objetivo de melhorar o treinamento da rede convolucional. Comparamos a GAN com aumento de dados via adição de ruído gaussiano, técnica de maior simplicidade. Buscamos ainda fazer o mapeamento dos sinais cerebrais em imagens, pois essas redes têm um potencial maior com dados multidimensionais. Os resultados dos experimentos demonstram que há melhora na acurácia com a introdução da GAN, porém com um ganho de cerca de 2% nos melhores casos com série temporal e codificada como imagem. Por outro lado, com aumento de dados via ruído obteve-se ganhos de até 5% no caso temporal e 2% com imagem.Brain-computer interface (BCI) systems have been object of high interest due to their possible applications in medical and entertainment areas. For those tasks, usually, classification is performed based on signals that carry information about cerebral activity. However, these signals have high complexity and are subject to artifacts, aggravated by inaccuracies in the measurement instrument. Deep neural networks have been recently used as an efficient tool to interpret the signal without the necessity of manually adjusting certain parameters. In this context, Convolutional Neural Networks show very interesting results in selective attention and motor imagery BCI paradigms, surpassing the accuracy obtained from traditional classification methods. On the other hand, these new solutions suffer due to the lack of available training data. This project aims to use Generative Adversarial Networks (GANs) to generate artificial signals to improve the training of the convolutional network. We compare the GAN as a data augmentation technique against augmentation through addition of gaussian noise, a simpler approach. A mapping of the brain signals into images shall be used to achieve this objective, since these networks show more potential in dealing with multidimensional data. The results of the experiments have shown improvements on the accuracy with the introduction of GANs, however with a gain of around 2% in the best cases with temporal series and codified as image. On the other hand, data augmentation through gaussian noise achieved gains of 5% on the temporal case and 2% with images.Fantinato, Denis GustavoFerrari, RafaelSuyama, RicardoSantos, Lucas Heck dos2022info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf107 f. : il.http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124283http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124283&midiaext=80806Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=124283porreponame:Repositório Institucional da UFABCinstname:Universidade Federal do ABC (UFABC)instacron:UFABCinfo:eu-repo/semantics/openAccess2023-05-31T19:02:21Zoai:BDTD:124283Repositório InstitucionalPUBhttp://www.biblioteca.ufabc.edu.br/oai/oai.phpopendoar:2023-05-31T19:02:21Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)false
dc.title.none.fl_str_mv Uso de redes adversárias generativas em sistemas de interface cérebro-computador
title Uso de redes adversárias generativas em sistemas de interface cérebro-computador
spellingShingle Uso de redes adversárias generativas em sistemas de interface cérebro-computador
Santos, Lucas Heck dos
APRENDIZADO COMPUTACIONAL
INTERFACE CÉREBRO-COMPUTADOR
REDES ADVERSÁRIAS GENERATIVAS
REDES NEURAIS CONVOLUCIONAIS
BRAIN-COMPUTER INTERFACES
CONVOLUTIONAL NEURAL NETWORKS
GENERATIVE ADVERSARIAL NETWORKS
MACHINE LEARNING
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO - UFABC
title_short Uso de redes adversárias generativas em sistemas de interface cérebro-computador
title_full Uso de redes adversárias generativas em sistemas de interface cérebro-computador
title_fullStr Uso de redes adversárias generativas em sistemas de interface cérebro-computador
title_full_unstemmed Uso de redes adversárias generativas em sistemas de interface cérebro-computador
title_sort Uso de redes adversárias generativas em sistemas de interface cérebro-computador
author Santos, Lucas Heck dos
author_facet Santos, Lucas Heck dos
author_role author
dc.contributor.none.fl_str_mv Fantinato, Denis Gustavo
Ferrari, Rafael
Suyama, Ricardo
dc.contributor.author.fl_str_mv Santos, Lucas Heck dos
dc.subject.por.fl_str_mv APRENDIZADO COMPUTACIONAL
INTERFACE CÉREBRO-COMPUTADOR
REDES ADVERSÁRIAS GENERATIVAS
REDES NEURAIS CONVOLUCIONAIS
BRAIN-COMPUTER INTERFACES
CONVOLUTIONAL NEURAL NETWORKS
GENERATIVE ADVERSARIAL NETWORKS
MACHINE LEARNING
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO - UFABC
topic APRENDIZADO COMPUTACIONAL
INTERFACE CÉREBRO-COMPUTADOR
REDES ADVERSÁRIAS GENERATIVAS
REDES NEURAIS CONVOLUCIONAIS
BRAIN-COMPUTER INTERFACES
CONVOLUTIONAL NEURAL NETWORKS
GENERATIVE ADVERSARIAL NETWORKS
MACHINE LEARNING
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO - UFABC
description Orientador: Prof. Dr. Denis Gustavo Fantinato
publishDate 2022
dc.date.none.fl_str_mv 2022
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124283
url http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124283
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124283&midiaext=80806
Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=124283
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
107 f. : il.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFABC
instname:Universidade Federal do ABC (UFABC)
instacron:UFABC
instname_str Universidade Federal do ABC (UFABC)
instacron_str UFABC
institution UFABC
reponame_str Repositório Institucional da UFABC
collection Repositório Institucional da UFABC
repository.name.fl_str_mv Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)
repository.mail.fl_str_mv
_version_ 1801502110362107904

Registros relacionados